论文部分内容阅读
【摘要】 介绍了SAR图像模式识别系统及SAR图像模式识别与普通光学图像模式识别的区别。
【关键词】 SAR图像 模式识别 区别
合成孔径雷达（SAR）是一种具有高分辨力的成像雷达，能够全天时、全天候工作，并具有多波段、多极化、视角可变、有穿透性等特点，越来越多地应用于遥感、地质研究、安全救助、军事侦察等领域。因此，SAR图像自动目标识别具有重要意义。
一、系统流程
如图1所示，SAR图像目标识别系统由数据获取、预处理、特征提取选择、分类决策及分类器设计五部分组成。由未知类别模式的分类及分类器设计的训练过程两个部分组成。[1]
SAR图像目标识别一般采用分层的方法。由于SAR成像的特殊机理，获取的原始数据中含有大量斑点噪声，经A/ D变换、二值化后，必须去除斑点噪声，再经过图像变换、增强、滤波等处理，为检测提供目标图像；其次进行目标检测，从整个SAR图像中提取可能包含目标的小区域，去除虚假目标，为分类识别降低运算量，提高识别效率；然后提取合理的特征值，降低特征维数；最后通过训练确定满足一定虚警率、识别率的判决规则，选择合理的分类器进行分类识别。[2]
二、系统区别
由于SAR的特殊成像机理，衰落引起本来具有相同后向散射系数的均匀区域出现随机分布的颗粒状噪声，称为相干斑噪声，严重影响图像的质量。因此，在进行SAR图像模式识别之前，必须抑制相干斑。早期通过降低处理器带宽的多视 平均处理法牺牲了SAR图像的空间分辨率，且相干斑噪声抑制效果并不理想，随后出现了空域滤波算法、小波域的相干斑抑制方法以及基于各向异性扩散的斑点抑制技术等。相干斑抑制要充分考虑均匀区域的等效视数、空间分辨率和辐射分辨率的损失、图像平均后向散射系数保持能力以及图像的自然视觉特性保持度等指标。基于各向异性扩散的斑点抑制技术隐含了自动标定棱边位置和取向，实施各向异性平滑，且无需采取窗口机制的数值计算，抑制效果良好，因此被广泛用于图像处理领域。这里简单介绍Catte各向异性扩散模型。先对图像进行平滑处理，降低噪声点的梯度，再进行迭代运算，抑制效果良好。
为进一步重构图像，增强目标像素强度，可使用基于正则化的目标增强技术。假设包含噪声的情况下SAR距离像观测模型为；从给定含加性测量噪声的观测数据矢量，利用成像投影算子，估计反射率场的取样数据矢量。充分体现了几何观测模型，增加了先验知识，同时考虑了点特征与区域特征的增强。[3]由于SAR斜距成像和背景起伏等因素容易引起图像的几何变形，因此在预处理阶段还要进行几何纠正，将图像重投影到指定的坐标系统中，主要方法包括多项式纠正方法、共线方程方法、距离-多普勒（R-D）模型法以及基于DEM的模拟方法等。此外还需进行图像配准，利用特征和灰度匹配，由粗到精进行图像配准，提高全局子像素级精度的基础上，增加算法的灵活性和稳健性。
对于目标检测率越高、虚警率越低检测结果越好。常见的检测技术包括恒虚警检测、多分辨率检测以及利用相位和极化信息的检测方法等。为了节省计算量，可采用在图像生成过程中来检测目标的多尺度方法。当目标检测器获得足够多的信息可以判断某一块区域没有目标的时候，提示图像生成器中止继续生成该区域的图像，以节省结算量。[2]
SAR图像目标模式识别与光学图像的目标模式识别最大的不同就在预处理阶段 。在充分考虑SAR图像特点的基础上特征提取与分类判别时可参照光学图像的模式识别进行设计。其分类器要有较好的泛化能力，能进行模糊的信息处理，因此，常用神经网络和支持向量机（SVM）的分类器。
三、总结
相比普通光学图像的目标识别，SAR图像目标识别需要克服的困难比较多。首先，由于SAR图像成像机理特殊，对方位角十分敏感，易受强噪声（特别是相干斑噪声）及阴影、透视收缩、迎坡收短、顶底倒置等几何变形的影响，且散射强度随目标的形状、姿态和视角可变，视觉可读性差，使得特征的提取非常困难。其次，目标环境无法控制，某些目标在其他物体的遮盖下变得不易识别， 且目标运动易造成图像模糊。另外，随着SAR数据源、分辨率、成像模式不断增加，目标信息呈爆炸式增长，需大量的目标模板建立完备的数据库以正确判别图像目标，因此，一个成功的SAR目标识别系统，必须充分考虑雷达、目标及所处的电磁环境，要根据用户需求及SAR图像特点，满足 SAR图像模式识别系统的识别率、错误率、复杂度、抗噪性能及实时性等性能，建立各种目标的描述模型和分类模型，选择合适的算法及分类器。
参 考 文 献
[1]杨淑莹. 张桦.模式识别与智能计算—MATLAB技术实现[M].北京：电子工业出版社，2015.
[2]张红. 王超，等.高分辨率SAR图像目标识别[M].北京：科学出版社，2009.
[3]皮亦鸣.杨建宇，等.合成孔径雷达成像原理[M].成都：电子科技大学出版社，2007
【关键词】 SAR图像 模式识别 区别
合成孔径雷达（SAR）是一种具有高分辨力的成像雷达，能够全天时、全天候工作，并具有多波段、多极化、视角可变、有穿透性等特点，越来越多地应用于遥感、地质研究、安全救助、军事侦察等领域。因此，SAR图像自动目标识别具有重要意义。
一、系统流程
如图1所示，SAR图像目标识别系统由数据获取、预处理、特征提取选择、分类决策及分类器设计五部分组成。由未知类别模式的分类及分类器设计的训练过程两个部分组成。[1]
SAR图像目标识别一般采用分层的方法。由于SAR成像的特殊机理，获取的原始数据中含有大量斑点噪声，经A/ D变换、二值化后，必须去除斑点噪声，再经过图像变换、增强、滤波等处理，为检测提供目标图像；其次进行目标检测，从整个SAR图像中提取可能包含目标的小区域，去除虚假目标，为分类识别降低运算量，提高识别效率；然后提取合理的特征值，降低特征维数；最后通过训练确定满足一定虚警率、识别率的判决规则，选择合理的分类器进行分类识别。[2]
二、系统区别
由于SAR的特殊成像机理，衰落引起本来具有相同后向散射系数的均匀区域出现随机分布的颗粒状噪声，称为相干斑噪声，严重影响图像的质量。因此，在进行SAR图像模式识别之前，必须抑制相干斑。早期通过降低处理器带宽的多视 平均处理法牺牲了SAR图像的空间分辨率，且相干斑噪声抑制效果并不理想，随后出现了空域滤波算法、小波域的相干斑抑制方法以及基于各向异性扩散的斑点抑制技术等。相干斑抑制要充分考虑均匀区域的等效视数、空间分辨率和辐射分辨率的损失、图像平均后向散射系数保持能力以及图像的自然视觉特性保持度等指标。基于各向异性扩散的斑点抑制技术隐含了自动标定棱边位置和取向，实施各向异性平滑，且无需采取窗口机制的数值计算，抑制效果良好，因此被广泛用于图像处理领域。这里简单介绍Catte各向异性扩散模型。先对图像进行平滑处理，降低噪声点的梯度，再进行迭代运算，抑制效果良好。
为进一步重构图像，增强目标像素强度，可使用基于正则化的目标增强技术。假设包含噪声的情况下SAR距离像观测模型为；从给定含加性测量噪声的观测数据矢量，利用成像投影算子，估计反射率场的取样数据矢量。充分体现了几何观测模型，增加了先验知识，同时考虑了点特征与区域特征的增强。[3]由于SAR斜距成像和背景起伏等因素容易引起图像的几何变形，因此在预处理阶段还要进行几何纠正，将图像重投影到指定的坐标系统中，主要方法包括多项式纠正方法、共线方程方法、距离-多普勒（R-D）模型法以及基于DEM的模拟方法等。此外还需进行图像配准，利用特征和灰度匹配，由粗到精进行图像配准，提高全局子像素级精度的基础上，增加算法的灵活性和稳健性。
对于目标检测率越高、虚警率越低检测结果越好。常见的检测技术包括恒虚警检测、多分辨率检测以及利用相位和极化信息的检测方法等。为了节省计算量，可采用在图像生成过程中来检测目标的多尺度方法。当目标检测器获得足够多的信息可以判断某一块区域没有目标的时候，提示图像生成器中止继续生成该区域的图像，以节省结算量。[2]
SAR图像目标模式识别与光学图像的目标模式识别最大的不同就在预处理阶段 。在充分考虑SAR图像特点的基础上特征提取与分类判别时可参照光学图像的模式识别进行设计。其分类器要有较好的泛化能力，能进行模糊的信息处理，因此，常用神经网络和支持向量机（SVM）的分类器。
三、总结
相比普通光学图像的目标识别，SAR图像目标识别需要克服的困难比较多。首先，由于SAR图像成像机理特殊，对方位角十分敏感，易受强噪声（特别是相干斑噪声）及阴影、透视收缩、迎坡收短、顶底倒置等几何变形的影响，且散射强度随目标的形状、姿态和视角可变，视觉可读性差，使得特征的提取非常困难。其次，目标环境无法控制，某些目标在其他物体的遮盖下变得不易识别， 且目标运动易造成图像模糊。另外，随着SAR数据源、分辨率、成像模式不断增加，目标信息呈爆炸式增长，需大量的目标模板建立完备的数据库以正确判别图像目标，因此，一个成功的SAR目标识别系统，必须充分考虑雷达、目标及所处的电磁环境，要根据用户需求及SAR图像特点，满足 SAR图像模式识别系统的识别率、错误率、复杂度、抗噪性能及实时性等性能，建立各种目标的描述模型和分类模型，选择合适的算法及分类器。
参 考 文 献
[1]杨淑莹. 张桦.模式识别与智能计算—MATLAB技术实现[M].北京：电子工业出版社，2015.
[2]张红. 王超，等.高分辨率SAR图像目标识别[M].北京：科学出版社，2009.
[3]皮亦鸣.杨建宇，等.合成孔径雷达成像原理[M].成都：电子科技大学出版社，2007